**Autonomous driving tech./*Paper review 7

[Paper Review] Attention is all you need, 2017 Google

hidden to hidden connection으로 계속해서 정보를 전달한다. 인코더의 마지막 hidden state가 과거의 모든 정보를 가지고 있어야한다는 문제점이 존재 > information bottleneck 현상 발생  따라서 디코더는, 인코더의 마지막 hidden state를 받을때 문제가 발생한다. 이를 해결하기 위하여 Attention이 등장 core idea, 핵심 아이디어는, 인코더에서 어느 부분을 좀 더 핵심적으로 바라볼지 attention score를 계산하고 direct connection을 만들어줌

[Paper Review] Attention is all you need, 2017 Google

어텐션 : 정보 중에서 중요한 것에 집중하는 기술우리가 뭔가를 볼 때나 읽을 때 중요한 부분에 집중하는데, 컴퓨터가 그것을 흉내 내는 것 기계가 문장을 처리할 때, 각 단어가 다른 단어들과 얼마나 관련 있는지를 수치로 계산함.이것을 Attention Score 이라고 함. --입력의 각 요소가 다른 요소들과의 관계(유사도)를 계산해서, 중요한 정보에 더 큰 가중치를 주고, 그걸 기반으로 새로운 표현을 만드는 것 기본구조 : Scaled Dot-Product Attention 왜 중요한가?위치 무관한 관계 파악 가능 > CNN보다 더 유연멀티모달 입력 처리에 최적 > 이미지, 센서 등문맥 기반의 정보 재구성이 탁월 결론 :어텐션은 정보 간의 중요도 관계를 학습하고 반영하는 방식Transformer 모델이 ..

[Paper review] Hazardous Source Estimation and Autonomous Exploration Strategy with Guaranteed Communication Connectivity of Multiple UAVs

I. 서론01. 유해 물질 누출 근원지 추정기법 3가지 제안다수의 고정형 센서를 근원 예상지에 매설 >> 비용이 많이 듦, 매설지역 외 임의의 지점 사고 발생시 대처 어려움.누출 근원지에 사람을 파견 >>  추가적인 2차 사고 발생 가능.모바일-로봇 원거리 원격 조종 >> 통신 거리의 제약, 조종사 당 운용가능 로봇 개수의 한계 존재.무인이동체를 이용하여 위험 지역( Hazardous Source ) 에서 사람 대신 목표 탐색, 추적 기술은 세계적으로 관심을 받고 있음.02. 무인 이동체를 활용한 근원지 추정 방법미리 지정된 경로를 따라 센서 데이터 취득을 통한 근원지 정보 추정. >> 실시간 경로 계획이 아니므로 효율적인 탐색 불가.실시간 탐색 경로 생성 알고리즘, 반응형 알고리즘 ( 나방 등 생물의 ..

[Paper review] A Machine Learning Approach to Visual Perception of Forest Trails for Mobile Robots

-- Abstract 본 논문은 쿼드로터 마이크로 항공기를 이용하여 숲길을 따라 가면서 카메라로 사진을 찍고, 그 사진 한 장과 DNN을 사용하여 방향을 알아낸다. Index Terms—Visual-Based Navigation; Aerial Robotics; Machine Learning; Deep LearningSummary video01 AAAI 2016 Video Contest *monocular image( 단안 이미지 ) : 하나의 카메라로 찍은 사진을 말함, 스마트폰 카메라나 일반 카메라로 찍은 사진이 이에 해당됨. 3D 깊이 정보를 제공하지 않아서 물체의 거리나 위치를 정확하게 파악하는 데에 한계가 있음 Introduction컴퓨터 비전 및 로봇 공학 문헌은 주로 포장도로와 숲/사막 도로 ..

[Paper review] SegFormer: Simple and Efficient Design for SemanticSegmentation with Transformers

SegFormerSegFormer는 이미지 분할을 위한 딥러닝 모델로, 특히 비디오 및 사진에서 객체를 정확하게 분할하는 데 사용됩니다. 이 모델은 Transformer 아키텍처를 기반으로 하여, 다양한 크기의 객체와 복잡한 배경에서 효과적으로 작동할 수 있도록 설계되었습니다.*Resolution : 해상도*Hierarchical : 계층적인ViT, Visual TransformerViT(Visual Transformer)는 이미지 인식을 위해 설계된 딥러닝 모델로, Transformer 아키텍처를 기반으로 합니다. 전통적인 CNN( 합성곱 신경망 ) 대신 Transformer를 사용하여 이미지 데이터를 처리하는 방식이 특징입니다.패치 처리: 이미지를 작은 패치로 나눈 후, 각 패치를 입력으로 사용하여 ..

[Paper review] Receding horizon path planning for source term estimation using mobile sensor in urban environments

Key words  : Source term, Receding horizon path planning, Particle filter, Informative path planning | Particl filter  Algorithm used in state estimation and probabilistic modeling is often utilized in robot engineering, autonomous vehicles, computer vision. Example of the Particle filter : Finding the localization of a robot  | Situation     Let's assume we don't know where the robot is located..

[Paper review] A Study on Multi Sensor Based SLAM Alorithm for the Improvemnet of Obstacle Recognition

0. Abstract( Background ) 로봇 산업의 발전은 오래전부터 산업용에서 개인용 로봇으로, 소형화하고 안정화되어 우리의 삶에 들어오는 방향으로 발전했다. 실내 환경에서 로봇이 자유롭기 위해서는 필연적으로 센서를 이용해 지도를 작성하는 SLAM( Simultaneous Localization And Mapping ) 기술의 발전이 요구된다. ( Problem ) SLAM 알고리즘은 대부분 LiDAR 센서 기반으로 연구되어 왔는데, LiDAR 센서의 특성상 빛에 민감한 재질들은 감지가 어렵다. 그 중에 가장 크게 부각되는 단점이 유리 인식이 어렵다는 점이다. 이러한 단점은 실내에서 큰 문제점이 된다. ( Purpose ) LiDAR 센서 이외의 장애물 감지 수단을 추가해 개선한 알고리즘 제안 ..